一种考虑干扰的无人集群分布式时变优化控制方法及系统技术方案

本发明专利技术涉及无人飞行控制技术领域，特别是涉及一种考虑干扰的无人集群分布式时变优化控制方法及系统，方法包括：获取无人集群中每个智能体的动力学模型和代价函数；基于每个智能体的动力学模型构建无人集群的作用拓扑模型；基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数；基于每个智能体的动力学模型、第一性能常数、第二性能常数和第三性能常数构建每个智能体的时变控制器。本发明专利技术减少干扰信息产生的影响，设计分布式时变优化控制器，能够实现无人集群系统对最优轨迹的零误差跟踪，在达到一致的同时满足全局性能指标最优。时满足全局性能指标最优。时满足全局性能指标最优。

【技术实现步骤摘要】
一种考虑干扰的无人集群分布式时变优化控制方法及系统


[0001]本专利技术涉及无人飞行控制
，特别是涉及一种考虑干扰的无人集群分布式时变优化控制方法及系统。

技术介绍

[0002]目前，针对无人集群系统协同控制领域的研究已经成为一大热点，包括一致性控制、编队控制和合围控制等。根据有无领导者，无人集群的编队控制通常可以划分为无领导者控制和领导
‑
跟踪控制两大类。在领导
‑
跟踪控制中，编队参考信息往往由领导者产生(真实存在的领导者或虚拟未知的领导者)。但是在实际的工程应用中，无人集群系统往往需要跟踪一条最优轨迹，以满足能量最优或时间最短等性能指标。例如，对于无人飞机集群从不同的位置起飞，需要完成最优阵位的集结，使得此次集结集群所消耗的能量之和最少。此时集群系统中的个体需要跟踪的轨迹并不是由领导者产生，而是满足最优条件的一条轨迹。
[0003]无人集群分布式优化控制因其在传感器网络、分布式参数估计、强化学习和电力系统等方面潜在的应用价值，近年来受到国内外的广泛关注与重视。无人集群系统分布式协调控制的研究,不仅能够揭示自然界中许多现象的内在规律,同时也能为人们的工作、生活和生产等实践活动提供指导。随着微电子、通信和传感器等技术的快速发展,大型网络无处不在,这极大地拓展了分布式优化算法的应用范围。
[0004]分布式优化控制问题通常涉及到寻找团队目标函数的最优解(在成本、损失或误差方面)。换句话说，在无人集群网络系统的分布式优化问题中，每个智能体都有一个局部成本函数，其任务目标是合作地最小化由这些目标函数的和构成的全局目标函数。智能体通过执行分布式算法优化自身的目标函数,并与自身的邻居进行局部信息交互,最终使自身状态收敛到全局目标函数的一个最优解。经典的分布式优化问题大多集中于离散系统，并采用智能优化方法进行求解。但是很多无人集群系统，包括无人飞机、机械臂和机器人等往往由连续系统来进行表征。因此针对连续系统的分布式优化问题的研究同样也十分有意义和应用价值。此外，现有的针对无人集群系统的分布式优化问题，大多假设个体具有的性能函数是时不变的，那么全局的性能函数也是时不变的，此时满足最优条件的往往是一个固定的点。但是，很多性能函数不仅仅与个体的状态有关，还与时间相关。此外，在无人机集群协同作战的过程中，受战场环境的影响，无人机不可避免地会受到风浪等未知干扰的影响，同时无人机个体所接收到的信息还会含有噪声等干扰，此时无人机的控制性能受到严重威胁。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种考虑干扰的无人集群分布式时变优化控制方法及系统，减少干扰信息产生的影响，设计分布式时变优化控制器，能够实现无人集群系统对最优轨迹的零误差跟踪，在达到一致的同时满足全局性能指标最优。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种考虑干扰的无人集群分布式时变优化控制方法，包括：
[0008]获取无人集群中每个智能体的动力学模型和代价函数；所述动力学模型包括位置、速度、控制输入和干扰量；
[0009]基于每个智能体的动力学模型构建无人集群的作用拓扑模型；
[0010]基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数；
[0011]基于每个智能体的动力学模型、第一性能常数、第二性能常数和第三性能常数构建每个智能体的时变控制器。
[0012]优选地，所述基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数，包括：
[0013]基于每个智能体的动力学模型和代价函数得到每个智能体的第一常数值和第二常数值；
[0014]基于每个智能体的第一常数值、第二常数值和作用拓扑模型的拉普拉斯矩阵得到每个智能体的第一性能常数、第二性能常数和第三性能常数。
[0015]优选地，所述时变控制器如下式：
[0016][0017]式中：i∈N，N为无人集群中智能体的总数量，U
i
(t)为t时刻第i个智能体的时变控制器，α
i
(t)为t时刻第i个智能体的第一性能常数，
·
表示求导，q
i
(t)为t时刻第i个智能体的位置，q
j
(t)表示t时刻第j个智能体的位置，β
i
(t)为t时刻第i个智能体的第二性能常数，γ
i
(t)为t时刻第i个智能体的第三性能常数，N
i
为与第i个智能体相邻的智能体的数量，sgn为符号函数，函数，f
i
(q
i
(t),t)为t时刻第i个智能体的代价函数，为f
i
(q
i
(t),t)的梯度信息矩阵，H
i
(q
i
(t),t)为f
i
(q
i
(t),t)的Hessian矩阵，代表梯度信息矩阵对于时间t的偏导数。
[0018]优选地，所述干扰量基于所述速度、所述控制输入、干扰系统的位置矩阵和速度矩阵进行计算得到。
[0019]本专利技术还提供了一种考虑干扰的无人集群分布式时变优化控制系统，包括：
[0020]数据获取模块，用于获取无人集群中每个智能体的动力学模型和代价函数；所述动力学模型包括位置、速度、控制输入和干扰量；
[0021]拓扑模块，用于基于每个智能体的动力学模型构建无人集群的作用拓扑模型；
[0022]常数模块，用于基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数；
[0023]控制模块，用于基于每个智能体的动力学模型、第一性能常数、第二性能常数和第三性能常数构建每个智能体的时变控制器。
[0024]优选地，所述常数模块包括：
[0025]第一常数单元，用于基于每个智能体的动力学模型和代价函数得到每个智能体的第一常数值和第二常数值；
[0026]第二常数单元，用于基于每个智能体的第一常数值、第二常数值和作用拓扑模型的拉普拉斯矩阵得到每个智能体的第一性能常数、第二性能常数和第三性能常数。
[0027]优选地，所述时变控制器如下式：
[0028][0029]式中：i∈N，N为无人集群中智能体的总数量，U
i
(t)为t时刻第i个智能体的时变控制器，α
i
(t)为t时刻第i个智能体的第一性能常数，
·
表示求导，q
i
(t)为t时刻第i个智能体的位置，q
j
(t)表示t时刻第j个智能体的位置，β
i
(t)为t时刻第i个智能体的第二性能常数，γ
i
(t)为t时刻第i个智能体的第三性能常数，N
i
为与第i个智能体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑干扰的无人集群分布式时变优化控制方法，其特征在于，包括：获取无人集群中每个智能体的动力学模型和代价函数；所述动力学模型包括位置、速度、控制输入和干扰量；基于每个智能体的动力学模型构建无人集群的作用拓扑模型；基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数；基于每个智能体的动力学模型、第一性能常数、第二性能常数和第三性能常数构建每个智能体的时变控制器。2.根据权利要求1所述的无人集群分布式时变优化控制方法，其特征在于，所述基于每个智能体的动力学模型、代价函数和无人集群的作用拓扑模型得到每个智能体的第一性能常数、第二性能常数和第三性能常数，包括：基于每个智能体的动力学模型和代价函数得到每个智能体的第一常数值和第二常数值；基于每个智能体的第一常数值、第二常数值和作用拓扑模型的拉普拉斯矩阵得到每个智能体的第一性能常数、第二性能常数和第三性能常数。3.根据权利要求1所述的无人集群分布式时变优化控制方法，其特征在于，所述时变控制器如下式：式中：i∈N，N为无人集群中智能体的总数量，U
i
(t)为t时刻第i个智能体的时变控制器，α
i
(t)为t时刻第i个智能体的第一性能常数，
·
表示求导，q
i
(t)为t时刻第i个智能体的位置，q
j
(t)表示t时刻第j个智能体的位置，β
i
(t)为t时刻第i个智能体的第二性能常数，γ
i
(t)为t时刻第i个智能体的第三性能常数，N
i
为与第i个智能体相邻的智能体的数量，sgn为符号函数，符号函数，f
i
(q
i
(t),t)为t时刻第i个智能体的代价函数，
▽
f
i
(q
i
(t),t)为f
i
(q
i
(t),t)的梯度信息矩阵，H
i
(q
i
(t),t)为f
i
(q
i
(t),t)的Hessian矩阵，代表梯度信息矩阵对于时间t的偏导数。4.根据权利要求1所述的无人集群分布式时变优化控制方法，其特征在于，所述干扰量基于所述速度、所述控制输入、干扰系统的位置矩阵和速度矩阵进行计算得到。5....

【专利技术属性】
技术研发人员：董希旺，苏飘逸，任章，化永朝，于江龙，李清东，吕金虎，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：